ARIMA预测中如何为seasonal_decompose传入多变量并优化时间轴？

一、解决seasonal_decompose多变量报错问题 #

seasonal_decompose本身仅支持单变量输入，直接传入多列DataFrame必然触发KeyError或TypeError。可以通过批量处理+统一可视化的方式整合多变量结果：

1. 批量处理多变量分解 #

先确保你的时间序列索引是季度频率的DatetimeIndex，再循环处理每个变量并保存分解结果：

import pandas as pd
from statsmodels.tsa.seasonal import seasonal_decompose
import matplotlib.pyplot as plt

# 示例数据：索引为季度日期，包含HR、Legal、Fin三列
df = pd.DataFrame({
    'HR': [120, 130, 125, 140, 145, 150, 148, 160, 165, 170, 168, 180],
    'Legal': [80, 85, 82, 90, 95, 98, 96, 105, 108, 110, 109, 120],
    'Fin': [200, 210, 205, 220, 225, 230, 228, 240, 245, 250, 248, 260]
}, index=pd.date_range(start='2020Q1', periods=12, freq='Q'))

# 存储所有变量的分解结果
decompose_results = {}
for col in df.columns:
    # 季度数据period固定为4
    result = seasonal_decompose(df[col], model='additive', period=4)
    decompose_results[col] = result

2. 生成统一整合图表 #

用子图布局将所有变量的分解组件（原始数据、趋势、季节、残差）整合到一张画布中：

# 根据变量数量设置子图布局
fig, axes = plt.subplots(nrows=len(df.columns), ncols=4, figsize=(16, len(df.columns)*3))

# 遍历每个变量的分解结果，逐个绘制子图
for i, (col, result) in enumerate(decompose_results.items()):
    # 原始数据
    result.observed.plot(ax=axes[i,0], title=f'{col} - 原始数据')
    # 趋势项
    result.trend.plot(ax=axes[i,1], title=f'{col} - 趋势')
    # 季节项
    result.seasonal.plot(ax=axes[i,2], title=f'{col} - 季节')
    # 残差项
    result.resid.plot(ax=axes[i,3], title=f'{col} - 残差')

# 调整子图间距，避免重叠
plt.tight_layout()
plt.show()

二、设置X轴显示日期/季度 #

要让X轴显示季度或日期格式，核心是确保时间序列索引为DatetimeIndex并设置正确频率：

1. 转换索引格式（如果当前索引是字符串或数字）：

# 若原始索引是"2020Q1"这类字符串，先转为DatetimeIndex
df.index = pd.to_datetime(df.index)
# 显式设置季度频率
df = df.asfreq('Q')

2. 自定义X轴标签格式，让显示更清晰：

from matplotlib.dates import DateFormatter

# 在子图绘制循环中添加以下代码，针对每个子图的X轴
date_form = DateFormatter("%Y-Q%q")
axes[i,0].xaxis.set_major_formatter(date_form)
axes[i,1].xaxis.set_major_formatter(date_form)
axes[i,2].xaxis.set_major_formatter(date_form)
axes[i,3].xaxis.set_major_formatter(date_form)
# 旋转标签避免重叠
for ax in axes[i,:]:
    ax.tick_params(axis='x', rotation=45)

三、快速对比同类型组件 #

如果需要单独对比所有变量的趋势/季节/残差，可以将同类型组件整合到一个DataFrame后统一绘图：

# 整合所有变量的趋势项
trend_df = pd.DataFrame({col: res.trend for col, res in decompose_results.items()})
trend_df.plot(figsize=(12,6), title='所有变量的趋势对比')
# 设置X轴格式
plt.gca().xaxis.set_major_formatter(DateFormatter("%Y-Q%q"))
plt.xticks(rotation=45)
plt.show()

内容的提问来源于stack exchange，提问作者Scythor